面向可泛化行人重识别的风格变量与无关学习
计算机视觉与模式识别
2022-09-13 v1
摘要
近来，由于有监督行人重识别（ReID）在未见域上性能较差，域泛化（DG）行人重识别受到了大量关注，其旨在学习一个域不敏感模型并能抵抗域偏置的影响。在本文中，我们首先通过实验验证风格因子是域偏置的重要组成部分。基于此结论，我们提出一种风格变量与无关学习（SVIL）方法以消除风格因子对模型的影响。具体而言，我们在 SVIL 中设计了一个风格抖动模块（SJM）。SJM 模块能够丰富特定源域的风格多样性并减小各源域间的风格差异。这使得模型聚焦于身份相关信息并对风格变化不敏感。此外，我们将 SJM 模块与元学习算法有机结合，最大化收益并进一步提升模型的泛化能力。需注意，我们的 SJM 模块即插即用且推理无额外开销。大量实验证实了 SVIL 的有效性，且我们的方法在 DG-ReID 基准上大幅优于当前最优（state-of-the-art）方法。
引用
@article{arxiv.2209.05235,
title = {Style Variable and Irrelevant Learning for Generalizable Person Re-identification},
author = {Haobo Chen and Chuyang Zhao and Kai Tu and Junru Chen and Yadong Li and Boxun Li},
journal= {arXiv preprint arXiv:2209.05235},
year = {2022}
}
备注
12pages, 5 figures;